特征加權組稀疏模式分析算法及其在水電機組故障診斷中的應用.pdf

1、水電機組作為小水電生產過程中的核心設備，它的運行狀況直接關系到水電廠的安全，同時也關系到水電廠能否向電網提供可靠電力。由于水電機組具有構造復雜，機組運行呈季節(jié)性，異常振動誘發(fā)因素多等特點，日益影響著電網的安全穩(wěn)定運行。因此，對水電機組進行運行狀態(tài)監(jiān)測和故障診斷，以確保水電機組更為穩(wěn)定的運行，并且最大程度提高發(fā)電效益，具有十分重要的意義。
　　傳統(tǒng)的故障診斷算法主要基于專業(yè)技術人員的經驗和知識來推理診斷。這種過分依賴于個人經驗和知識

2、的算法目前仍在水電機組故障診斷中占主導地位，其弊端是顯而易見的。因此，必須提高設備故障診斷的自動化和智能化程度，實現(xiàn)對設備的高效、可靠的智能診斷。
　　本文研究內容主要針對水電機組故障診斷問題，研究并設計適合水電機組故障診斷的加權組稀疏模式分析系列算法，同時構建故障診斷系統(tǒng)，具體工作包含以下4個方面：
　?。?）針對水電機組噪聲樣本輸入數(shù)據(jù)結構非線性以及小樣本問題，提出了一種改進的核化判別公共向量降維算法，稱為高效核化判別公

3、共向量算法。該算法的優(yōu)勢主要包括：能夠有效地解決數(shù)據(jù)非線性分布帶來的鑒別難點，同時通過公共向量的引入解決了小樣本問題，提升后續(xù)模式分類器的鑒別效果。
　?。?）針對水電機組噪聲樣本數(shù)據(jù)易丟失信息和含干擾信息等問題，提出了特征加權組稀疏模式分析算法。該算法結合各類重構冗余以及樣本距離測度逼近樣本分布結構，并兼顧特征加權因子進行奇異點剔除，從樣本和特征兩方面減少重構表示誤差；實驗證明算法兼顧了稀疏性、標簽信息、特征貢獻因素以及局部結構

4、信息。
　?。?）為有效地解決樣本數(shù)據(jù)丟失以及樣本維數(shù)過高導致的鑒別效率和樣本外問題，將降維技術應用到特征加權組稀疏模式分析算法中，提出特征加權組稀疏判別投影模式分析算法。以特征加權組稀疏為基礎進行編碼系數(shù)求解，并計算特征加權約束的類內重構散度矩陣和類間重構散度矩陣。實驗該算法證明在減少計算復雜的同時，提高了算法識別能力。
　?。?）提出了水電機組故障診斷系統(tǒng)的設計方案，包括水電機組故障診斷單元設計、機組現(xiàn)地控制單元設計和上